فهرست نشریات علمی دسترسی آزاد ایران

مدول دینامیکی (E*) و زاویه فاز (φ) از پارامترهای کلیدی در توصیف رفتار ویسکوالاستیک مخلوط‌های آسفالتی هستند. با این حال، ارزیابی آزمایشگاهی آن‌ها مستلزم انجام آزمایش‌های طولانی و پُرهزینه است. به منظور غلبه بر این محدودیت‌ها، مدل‌های پیش‌بینی تجربی متعددی ارائه شده‌اند که در میان آن‌ها مدل‌های Witczak و Hirsch بیشترین پذیرش را دارند. در سال‌های اخیر، روش‌های یادگیری ماشین (ML) به دلیل توانایی بالای خود در تحلیل داده‌ها، بهینه‌سازی و پیش‌بینی، توجه زیادی در حوزه‌های مختلف مهندسی جلب کرده‌اند. در این پژوهش، الگوریتم KNN به عنوان روشی مبتنی بر یادگیری ماشین برای پیش‌بینی رفتار ویسکوالاستیک مخلوط‌های آسفالتی معرفی شده است. مدل توسعه‌یافته با استفاده از یک پایگاه داده مناسب شامل ویژگی‌های قیر، پارامترهای حجمی و مقادیر مدول دینامیکی و زاویه فاز در دماها و فرکانس‌های مختلف، با بیش از ۵۵۰۰ نقطه داده آموزش و اعتبارسنجی شده است. نتایج نشان داد که مدل پیشنهادی KNN قادر است E* و φ را با دقت زیاد پیش‌بینی کند، به‌طوری‌ که برای مجموعه آزمون مقادیر R2=0.86، Se/Sy=0.33 برای مدول دینامیکی و مقادیر R2=0.78، Se/Sy=0.45 برای زاویه فاز به‌دست آمد که بیانگر توان مناسب مدل در بازتولید رفتار رئولوژیک مخلوط‌های آسفالتی در دامنه‌های مختلف دما و فرکانس است.